Estimación de componentes de varianza y predicción de valores genéticos en poblaciones de Acacia azul usando el algoritmo de cadenas independientes

Vol. 13 (2007): Extraordinario / Artículos

Barra lateral del artículo

PDF
Palabras clave:
Analisis de datos
Técnicas de predicción
Metodos estadisticos
Estimación
Acacia saligna
Cómo citar
Mora Poblete, F. L., Perret, S., Scapim, C. A., Martins, E. N., & Molina Brand, M. P. (2007). Estimación de componentes de varianza y predicción de valores genéticos en poblaciones de Acacia azul usando el algoritmo de cadenas independientes. Ciencia & Investigación Forestal, 13(4), 133–142. https://doi.org/10.52904/0718-4646.2007.81

Contenido principal del artículo

Freddy Luis Mora Poblete
Sandra Perret
Carlos Alberto Scapim
Elias Nunes Martins
María Paz Molina Brand
DOI: https://doi.org/10.52904/0718-4646.2007.81

Resumen

Diversos estudios han enfatizado las ventajas de la utilización de los métodos de estimación y predicción basados en Máxima Verosimilitud Restringida (REML) y la Mejor Predicción Linear Insesgada (BLUP) en el análisis genético de especies forestales. Por otra parte, existen otras metodologías que permiten la obtención también robusta, tanto de los componentes de varianza como la predicción de valores genéticos, como por ejemplo la inferencia Bayesiana basada en los algoritmos Markov Chain Monte Carlo (MCMC). El presente estudio busca examinar la viabilidad de la obtención de parámetros genéticos y valores predichos en el mejoramiento genético de especies forestales, usando una variante de la metodología MCMC llamado algoritmo de Cadenas Independientes (CI). Para ilustrar el análisis genético bayesiano se usó un ensayo de procedencias de Acacia Saligna establecido en el norte de Chile, en el marco de un proyecto financiado por el Fondo de Desarrollo e Innovación y desarrollado por el Instituto Forestal.

Referencias

Astorga, M. & Mora, F. (2005). Componentes de Varianza e Interacción Variedad-Sitio del Vigor, Producción y Productividad de Olea europaea en Chile. Cerne,11. Pp: 25-33.

Blasco, A. (2001). The Bayesian Controversy in Animal Breeding. Journal of Animal Science, 79. Pp: 2023-2046. https://doi.org/10.2527/2001.7982023x

Broman, K.W. & Speed, T.P. (2002). A Model Selection Approach for the Identification of QuantitativeTrait loci in Experimental Computing Time can be Intensive within each Sweep of Crosses. J. R Stat. Soc., 64. Pp: 641-656. https://doi.org/10.1111/1467-9868.00354

Gianola, D. & Fernando, R.L. (1986). Bayesian Methods in Animal Breeding Theory. Journal of Animal Science, 63. Pp: 217-244. https://doi.org/10.2527/jas1986.631217x

George, N., Byrne, M., Maslin, B. & Yan, B. (2006). Genetic Differentiation among Morphological Variants of Acacia saligna (Mimosaceae). Tree Genetics and Genomes, 2. Pp: 109-119. https://doi.org/10.1007/s11295-006-0034-4

Holsinger, K.E. (1999). Analysis of Genetic Diversity in Geographically Structured Populations: A Bayesian Perspective. Hereditas,130. Pp: 245-255. https://doi.org/10.1111/j.1601-5223.1999.00245.x

Littell, R.C., Milllken, G.A., Stroup, W.W. & Wolflnger, R.D. (1996). SAS System for Mixed Models. SAS Institute Inc., Cary, North Caroline, USA. 633 p.

Montaldo, H.H. (2006). Genetic engineering applications in animal breeding. Electronic Journal of Biotechnology, 9(2). En: http://www.ejbiotechnology.info/content/vol9/issue2/full/7/. https://doi.org/10.2225/vol9-issue2-fulltext-7

Mora, F. & Arnhlod, E. (2006). Inferencia Bayesiana y Metodologia de Modelos Lineales Mixtos Aplicados al Mejoramiento del Maiz. Cien. Inv. Agr., 33. Pp: 217-223.

Mora, F. & Scapim, C.A. (2007). Predicción de Valores Genéticos del Efecto de Poblaciones de Maíz Evaluadas en Brasil y Paraguay. Agricultura Técnica, 67(2):139-146. https://doi.org/10.4067/S0365-28072007000200003

Mora, F., Pupim-Junior, O. & Scapim, C.A. (2001 a). Predicción del Efecto de Cultivares de Algodón en la Presencia de Interacción Genotipo-Ambiente. Cien. Inv. Agr., 34. Pp: 11-19. https://doi.org/10.4067/S0718-16202007000100002

Mora, F. & Perret S. (2007). Aplicación de Técnicas Bayesianas en el Análisis Genético de Arboles Forestales. Bosque,28(3). https://doi.org/10.4067/S0717-92002007000300003

Mora, F., Perret, S., Scapim, C.A., Martins, E.N. & Molina, M. (2007 b). Source dependent Blooming Variability of Eucalyptus cladocalyx in the Region of Coquimbo, Chile. Cien. Inv. Agr., 34(2): 99-106. https://doi.org/10.7764/rcia.v34i2.391

Mora, F. & Meneses, R. (2002). Acacia saligna en Zonas Áridas, con Riego mas Forraje para el Ganado. Tierra Adentro, 47. Pp: 50-51.

Mora, F., Perret, S & Meneses, R. (2004). Selección de Procedencias de Acacia saligna: Clave para Obtener más Forraje. Tierra Adentro, 54. Pp: 38-40.

Nogueira, D.A., Sáfadi, T., Bearzoti, E. & Bueno-Filho, J.S.S. (2003). Análises Clássica e Bayesiana de um Modelo Misto Aplicado ao Melhoramento Animal: Uma ilustracao. Ciénc. Agrotec., 27. Pp: 1614-1624.

Papini, A., Banci, F. & Nardo, E. (2007). Molecular Evidence of Polyphyletism in the Plant Genus Carum L. (Apiaceae). Genet. Mol. Biol., 30(2): 475-482. https://doi.org/10.1590/S1415-47572007000300029

Perret, S. & Mora, F. (1999). Acacia saligna: su Impacto en el Norte Chico. Panorama sectorial. Revista Chile Forestal, 274. Pp: 34·36.

Perri, S.H.V. & Lemma, A.F. (1999). Procedure of Software SAS® for the Analysis of Mixed Models. Sci. Agric., 56(4): 959·967. https://doi.org/10.1590/S0103-90161999000400025

Roeder, K., Escobar, M. & Kadane, J.B. (1998). Measuring Heterogeneity in Forensic Databases using Hierarchical Bayes Models. Biometrika, 85. Pp: 269-287. https://doi.org/10.1093/biomet/85.2.269

SAS INSTITUTE. (1996). Statistical Analysis System: User's Guide. Cary. SAS Institute. 956 p.

Tierney, L. (1994). Markov Chains for Exploring Posterior Distributions (with discussion). Annals of Statistics, 23. Pp: 1701-1762. https://doi.org/10.1214/aos/1176325750

Van Tassell, C.P., Van Vleck. L.D. & Gregory, K.E. (1998). Bayesian Analysis of Twinning and Ovulation Rates using a Multiple-Trail Threshold Model and Gibbs Sampling. Journal of Animal Science, 76. Pp: 2048-2061. https://doi.org/10.2527/1998.7682048x

Wolfinger, R.D. & Kass, R.E. (2000). Non-conjugate Bayesian Analysis of Variance Component Models. Biometrics, 56. Pp: 768-774. https://doi.org/10.1111/j.0006-341X.2000.00768.x

Descargas

Los datos de descargas todavía no están disponibles.


Los trabajos publicados en Ciencia & Investigación Forestal se rigen por la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0).

En lo esencial esta licencia involucra que los autores conservan sus derechos de autor, y que los lectores puedan de forma gratuita descargar, almacenar, copiar y distribuir la versión final aprobada y publicada del trabajo, siempre y cuando se realice sin fines comerciales y se cite la fuente y autoría de la obra.

Detalles del artículo